本研究提出了一种图神经网络（GNN），用于预测未知脑血管网络中的血流和压力，解决了传统计算方法的高成本问题。GNN在复杂病理血管网络中展现出良好的预测能力，具有显著的临床应用潜力。

本文探讨了利用卷积神经网络自动检测脑血管源性腔隙的方法，强调其在减少误检率和促进神经退行性疾病研究中的优势。研究评估了多种自动化白质高信号分割算法的性能，并提出了新框架以提高小血管病和认知疾病的检测效率。此外，介绍了APIS数据集，以支持中风诊断和分析，推动机器学习算法的发展。

本文提出了一种自适应半监督方法，以提高脑血管分割的准确性。通过渐进式半监督学习和边界增强技术，解决了小血管捕捉和模糊标注数据的问题。实验结果表明，该方法在分割性能上优于传统方法，具有临床应用潜力。

该研究提出了一种简单而强大的对比学习框架，用于医学图像分析中的无监督领域自适应，在标记的源分布和未标记的目标分布之间缩小域间差距。实验证明，该方法可以从标记的 3DRA 模态数据中学习潜在特征，并改善未标记的 MRA 模态数据中的血管分割性能。

该研究提出了一种基于半监督域自适应的脑血管分割方法，通过图像转换和语义分割，实现了高效稳定的模型训练，具有可靠的脑血管图像分割潜力。

本文介绍了一种名为VesselShot的少样本学习方法，用于血管拍片的分割。该方法通过利用少量有注释的辅助图像的知识，解决了脑血管分割中标注数据稀缺和大量标注的问题。使用TubeTK数据集对VesselShot进行评估，平均Dice系数为0.62。